MétaCan
Menu
Retour à la cohorte
Enregistrement W4282937630 · doi:10.1111/1911-3846.12797

Tax Incidence and Tax Avoidance*

2022· article· en· W4282937630 sur OpenAlexvenueno aff
Scott Dyreng, Martin Jacob, Xu Jiang, Maximilian A. Müller

Notice bibliographique

RevueContemporary Accounting Research · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Taxation and Avoidance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCorporate taxTax avoidanceTax incidenceBusinessMonetary economicsTax reformDouble taxationIndirect taxShareholderLabour economicsEconomicsPublic economicsFinanceCorporate governance

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Economists broadly agree that the economic burden of corporate taxes is not entirely borne by shareholders but also borne in part by employees and consumers. We examine corporate tax avoidance in a setting where shareholders do not bear the entire economic burden of the corporate tax. We show that the relation between corporate tax incidence and corporate tax avoidance depends on the elasticity of labor supply, the productivity of capital relative to labor, and the tax deductibility of labor and capital. These forces operate through two channels (firm scale and input mix), making the actual association between tax avoidance and incidence an empirical question. We find that firms whose shareholders bear less of the economic burden of corporate taxes engage in less avoidance. Our findings suggest that maximizing after‐tax profits might entail less tax avoidance if shareholders do not entirely bear the corporate tax burden. In particular, when the incidence of the corporate tax falls on the firm, firms avoid more taxes. This tendency is stronger if firms use a higher level of capital input, if the deductibility of the cost of capital investment is limited, if firms have high capital productivity, or if tax enforcement is strong.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,068
Tête enseignante GPT0,305
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations73
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueContemporary Accounting ResearchMême sujetCorporate Taxation and AvoidanceTravaux en français237 207